llama.cpp：本地运行大模型的开源工具
ggml-org开源的llama.cpp项目，目前获得了109,089个Star。
llama.cpp是用于大语言模型推理的C/C++工具集，核心目标是在各类硬件上实现低门槛、高性能的大模型运行能力，覆盖本地设备和云端环境。
项目采用纯C/C++实现，没有外部依赖。针对不同硬件架构做了专门优化，苹果芯片通过ARM NEON、Accelerate和Metal框架优化，x86架构支持AVX、AVX2、AVX512和AMX指令集，RISC-V架构支持RVV、ZVFH等扩展指令集。
llama.cpp支持1.5位到8位的整数量化技术，可大幅降低模型内存占用，提升推理速度。同时支持CUDA、HIP、MUSA、Vulkan、SYCL等多种后端，可在NVIDIA、AMD、摩尔线程等不同厂商的GPU上运行，还支持CPU+GPU混合推理，应对模型容量超出显存的场景。
项目支持几乎所有主流大模型，包括LLaMA系列、Mistral、Mixtral MoE、Qwen、Gemma、ChatGLM等上百种文本模型，也支持LLaVA、Qwen2-VL等多模态模型，覆盖绝大多数开源大模型生态。
项目自带多个核心工具组件。llama-cli是命令行交互工具，可直接运行本地模型，也支持直接从Hugging Face下载模型运行，内置对话模式，支持自定义聊天模板和语法约束。llama-server是轻量级HTTP服务器，兼容OpenAI API协议，可对外提供大模型服务，支持多用户并发、推测解码、嵌入模型和重排序模型部署。llama-perplexity用于测量模型在指定文本上的困惑度，评估模型质量。llama-bench用于推理性能基准测试，可输出不同参数下的推理速度数据。
安装使用llama.cpp有多种方式，可通过brew、nix、winget等包管理器直接安装，也可使用Docker镜像运行，或下载预编译二进制文件，也可克隆源码自行编译。
运行模型只需指定模型文件路径即可，示例命令：llama-cli -m model.gguf。也可直接拉取Hugging Face上的模型运行：llama-cli -hf ggml-org/gemma-3-1b-it-GGUF。启动API服务只需运行llama-server -m model.gguf --port 8080，即可通过浏览器访问内置Web UI，或调用兼容OpenAI协议的接口。
项目提供多语言绑定，覆盖Python、Go、Node.js、Rust、C#、Java等十几种编程语言，方便开发者集成到各类应用中。基于llama.cpp的第三方UI工具超过50个，包括Ollama、LM Studio、LocalAI等知名项目，形成了完整的本地大模型生态。
